AI走進大眾視野，其實也不到1000天。

可就在這短短1000天里，很多事已經徹底換了樣。

三年前，人們用GPT-3寫詩、講段子，它能把一句話寫順就是奇跡。

現在的Gemini 3，會讀文件、查資料、跑代碼、建網站，甚至能把十年前的舊數據整理成一篇14頁的學術論文。

在沒有具體研究題目的情況下，它也能自己確定研究切口。

AI不再等人開口提問，它開始主動把事情做完；而人與AI之間的關系，也悄悄進入了新位置。

三年前的「驚艷」，現在回看只是序章

如果把時間倒回2022年底，那個節點幾乎是AI發展的起跑線。

就在ChatGPT剛上線前夕，Ethan Mollick寫下了他在Substack上的第一篇GPT-3測試文章。

彼時的他還在感嘆：

 AI能寫出一段順暢的文字，已經足夠改變世界。

在那篇文章里，他舉的例子成了那個時代的代表性畫面——讓GPT-3寫一首關于「糖果驅動的超光速引擎逃離水獺追捕」的詩。

這種輕巧、荒誕又略帶才氣的創意輸出，曾讓無數人第一次意識到：機器不只是補全文字，它真的能像在寫作。

那一年，全網都在傳播類似的故事。

媒體強調「AI會寫作」「AI會講段子」「AI模仿莎士比亞寫詩」，技術論壇里也充斥著GPT-3的各種玩法，從寫故事、寫求職信，到寫簡單的Python函數。

GPT-3生成的一篇關于眾籌如何助力創業的學術綜述論文

但那時的能力短板：它能寫，也只能寫。

你給提示，它完成一句；你給框架，它模仿結構寫一段。

再聰明，它也像是一個被困在文字框里的大型自動補全系統。

Mollick之后在文中也承認，當年他第一次感到震撼，是因為「AI 居然能寫得這么順」。

可他沒想到的是，僅僅過了三年，Gemini 3只需給它一張截圖，AI就能直接「做給你看」。

回頭看，GPT-3的所有驚訝都像是時代的開場白。

真正的能力躍遷，還在后面。

AI不止是回應，它還會把事情做完

真正讓人意識到時代變了的，是Gemini 3。

Mollick做了一個簡單的實驗：他把自己三年前寫GPT-3的截圖扔給Gemini 3，只給了一句提示：

用實際行動來展示人工智能自這篇文章發布以來取得了多大進步。

然后事情失控了。

在Mollick的測試里，Gemini 3直接構建了一個可交互的小游戲：

一個用糖果驅動的星艦，要逃離水獺追擊，還配了動態文本、小詩和實時狀態更新。

三年前只能在文本里描述游戲，如今它直接把游戲做出來。

但小游戲只是預告片。真正的核心在Google同期發布的Antigravity。

這是一個能讀取本地文件、運行代碼、規劃任務、執行項目的通用型行動代理。

用戶不需要寫代碼，只用中文或英文告訴它要做的事，AI自己把步驟拆開，然后一點點推進。

Mollick做了一個非常典型的測試：他給Antigravity訪問權限，讓它讀取自己電腦里存著的所有newsletter舊稿。接著只下達一句話：

幫我做一個漂亮的網站，匯總我過去所有關于AI的預測，并去網上查查哪些預測準了、哪些錯了。

Gemini 3接過任務后，開始自動讀取文件、掃描內容、比對上下文，然后彈出一個行動計劃讓你確認——

包含網頁結構、數據整理方式、需要額外搜索的點、交互形式，甚至包括可能遇到的技術問題。

人工智能第一次詢問有關項目的問題，它對需求的理解得非常透徹，給人留下了深刻的印象

只有在需要判斷方向時，AI才會ping他：「這里有兩個可能路徑，你想讓我選哪一個？」

Mollick測試時，AI自動生成并部署的demo頁面

Mollick的評價很直白：

這不像在prompt一個模型，更像在管理一個隊友。

這句話說明了一個事實：Gemini 3已不再停留在語言模型階段，它正在成為一個能執行任務、推進流程、判斷路徑的數字行動體。

對普通用戶來說，這意味著過去三年最本質的變化不是模型更強，而是AI終于從「只說不做」進入了「又說又做」的時代。

當AI會做科研，人類的任務只剩下審核

在Mollick的測試里，Gemini 3在測試中呈現出接近研究生水平的科研工作流程。

他沒有給AI任何干凈、整齊的數據，而是一份自己十年前做眾籌研究時留下的舊文件夾。

各種格式混在一起，命名混亂，甚至包括——

「project_final_seriously_this_time_done.xls」這種文件名。

他把這一整包東西直接丟給Gemini 3，并給了它一句話：

先搞清楚這些數據的結構，把能修的修一修，清理干凈，準備做新的分析。

然后AI開始自己工作。沒有催促，沒有提示，也不需要你告訴它STATA是什么。

它會自動識別文件格式、修復損壞數據、統一字段、重建可讀結構，并按照研究常規流程整理出可分析的數據集。

這一步過去通常需要研究生級別的耐心和經驗。

Mollick看到結果后，提出了第二個要求：

寫一篇新的論文。用這些數據，找一個創業或戰略領域有意義的理論問題，自己設計分析方法，寫成一篇可投稿的學術文章。

他沒有告訴AI要研究什么、沒有給任何方向、也沒有限定主題。Gemini 3自己就能決定研究切口，

它提出了一個能與現有文獻對話的假設，設計合適的統計模型，跑完數據，生成結果，再把整套內容寫成了一篇14頁的完整論文，包含摘要、理論、方法、數據描述、回歸表格、討論與局限。

最讓人意外的，是論文里出現了一個AI自創的指標。

它利用NLP方法計算「項目創意的獨特性」，通過文本相似度量化「一個眾籌項目到底有多特別」。

在這個案例里，它不只是模仿已有做法，而是嘗試做方法層面的擴展。

當然，它并不是完美的。Mollick也指出AI有一些典型問題：模型有的地方過擬合，解釋略顯自信，理論段落寫得有點「太努力」。

但這些問題并非幻覺或混亂，而是更接近研究生寫作時的判斷偏差和方法細節不足。

當Mollick給出方向性建議，例如「理論部分補充文獻」「方法段落寫得更穩妥一些」時，Gemini 3能根據這些反饋進行有效修訂。

從整個過程可以看出，Gemini 3可以承擔科研工作里大量「執行性任務」，而人類在其中的角色更像是審稿人、研究負責人、方向決策者。

回看這三年，GPT-3 時代，人類負責「提出問題、設計方向」AI 負責生成一段文字。

到了Gemini 3，人類提出粗略目標，AI會把數據整理、建模、寫作、執行流程全部推進到位，再讓你做最終判斷。

AI不再停留在對話窗口里，它開始執行項目、處理文件、構建研究環境，甚至能獨立做出研究選擇。

而人類也不再是修正AI錯誤的人，而是在逐漸轉向「給AI下達任務并審核結果的人」。

這就是1000天帶來的變化。

不是某個模型更強，而是整個協作方式已經重寫。

AI的位置往前走了一步，人類的角色也隨之調整。

這種位移正在成為新的常態。